بررسي و تحليل تاثير شرايط توليد بر مقاومت به ضربه فولادهاي ميكرو آلياژي مورد استفاده در لوله سازي با استفاده از شبكه عصبي

Investigation to the Effect of Processing Parameters on Impact Resistance of Pip-Line Micro Alloyed Steels using Neural Network

يكي از كاربردهاي فولادهاي ميكرو آلياژي، لوله هاي انتقال نفت و گاز است كه با عنوان فولادهاي API شناخته مي‌شوند. اين فولاد ها پس از فرآيندهاي فولادسازي و ريخته گري مداوم از راه نورد گرم توليد مي شوند و مقاومت در برابر ضربه يكي از مهم ترين ويژگي هاي نهايي آنها از لحاظ شرايط عملكرد است كه در محصول نهايي مورد آزمايش قرار مي گيرد. مقاومت به ضربه يك ويژگي مكانيكي است كه مورد تاثير پارامترهاي زيادي از ابتدا تا انتهاي خط توليد مي باشد. در اين پژوهش با استفاده از شبكه عصبي تاثير پارامترهاي توليدي بر مقاومت به ضربه اين فولادها مورد بررسي قرار گرفته است. بدين منظور، از 33 پارامتر تاثيرگذار همچون تركيب شيميايي و شرايط نورد گرم شامل: مقدار كرنش، نرخ كرنش و دماي تغيير شكل براي 122 نمونه مستقل استفاده گرديد. براي بررسي خطا و افزايش دقت از دو تابع استفاده شده است كه بر اساس اختلاف نتايج بدست آمده از شبكه عصبي و داده‌هاي حاصل از آزمون ضربه مورد مقايسه قرار گرفته اند. دو سامانه شبكه عصبي يكي با يك لايه مخفي و ديگري با دو لايه مخفي مورد بررسي قرار گرفتند. پس از آموزش شبكه عصبي، مشاهده شد كه شبكه با دو لايه مخفي داراي كم ترين خطاست كه براي بررسي شرايط متفاوت توليدي بكار گرفته شد. نتايج نشان دادند كه مي‌توان از اين سامانه در پيش بيني مناسب ترين پارامترهاي توليدي براي بهبود مقاومت به ضربه فولادهاي تجاري ميكرو آلياژي استفاده نمود. هم چنين، اين سامانه نشان داد مهم ترين عوامل توليدي موثر بر مقاومت به ضربه عبارتند از: مقدار كربن و نيوبيوم شمش، دماي ورق ورودي به نورد نهايي، دماي نورد نهايي و دماي كلاف پيچي؛ محدوده هاي بهينه در مقاله گزارش شده است.

Micro alloyed steels are widely used in several industries including crude oil and natural gas for which they called API steels. These steels are produced using hot rolling after steel making and continuous casting and impact resistance is one of the main mechanical properties that are measured in the final products. Impact resistance is affected by several processing parameters. In the present study, the effect of 33 processing parameters such as chemical composition, strain, strain rate and temperature of hot rolling were studied using a neural network model for 122 independent samples. Two model were studied to investigate the error range and increasing the accuracy based on the difference between neural network and experimental results. Two neural network models with one and two hidden layers were used to train the system. It has been shown that two hidden layer model is more accurate with less errors. The results showed that the model can be used as a quantitative guide to control the final impact properties of API steels. According to the prediction by the neural network, the maximum values of impact properties were affected by Carbon and Niobium content of the billet, billet temperature in the final rolling stage, final rolling temperature and Coiling temperature.